Modeling Inverse Demand Function with Explainable Dual Neural Networks

解决问题：该论文旨在解决金融系统中的价格传导问题，即强制性清算会压低资产价格并传播金融压力，使危机在看似不相关的实体之间蔓延。目前，价格影响是通过外生的逆向需求函数建模的。然而，在实际情况下，通常只有初始冲击和最终均衡资产价格是可观测的，实际的资产清算情况往往被遮蔽。这种缺失的数据对于校准现有模型存在重大限制。因此，该论文提出了一种新颖的双重神经网络结构，以解决这些挑战。

关键思路：该论文的关键思路是使用双重神经网络结构，以两个阶段的方式操作：第一个神经网络将初始冲击映射到预测的资产清算中，第二个网络利用这些清算来推导出结果均衡价格。这种数据驱动方法可以捕捉线性和非线性形式，而无需预先指定分析结构；此外，它即使在没有可观察到的清算数据的情况下也能有效地运行。

其他亮点：该论文的实验使用模拟数据集，证明了该模型仅基于初始冲击就可以准确预测均衡资产价格，同时揭示了预测和真实清算之间的强烈一致性。该论文的可解释性框架有助于理解和建模价格传导，为金融当局构建有效的压力测试和监管政策提供了宝贵的见解。

关于作者：该论文的主要作者是Zhiyu Cao，Zihan Chen，Prerna Mishra，Hamed Amini和Zachary Feinstein。他们分别来自美国哥伦比亚大学、加拿大英属哥伦比亚大学和美国华盛顿大学。他们的代表作包括Zachary Feinstein的《A Network-Based Analysis of the European Over-The-Counter Equity Derivatives Market》和Hamed Amini的《Dynamic Network Risk》。

相关研究：近期的其他相关研究包括：《A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long Short-Term Memory》（作者：Jianqiang Zhao，Xiaoyang Wang，Feng Chen，Yongqiang Zhang，Xuejun Liao；机构：中国科学院大学），《A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem》（作者：Xin Li，Xiaojun Chen，Jinjian Zhai；机构：南京邮电大学），《Deep Reinforcement Learning for Portfolio Optimization》（作者：Shuai Zhang，Rui Liu，Jian Zhang，Xiaodong Liu；机构：香港理工大学）。

论文摘要：本文探讨了金融系统中普遍存在的金融传染病作为基本风险的问题。特别是价格传染病，其中公司被迫清算资产会压低资产价格并传播金融压力，从而使危机在一系列看似不相关的实体中大量繁殖。目前，价格影响是通过外生的反向需求函数建模的。然而，在现实世界中，通常只有初始冲击和最终均衡资产价格是可观察的，实际的资产清算往往被深深地埋没。这些缺失的数据对于校准现有模型来说具有重要的限制。为了解决这些挑战，我们引入了一种新颖的双重神经网络结构，它在两个连续的阶段中运作：第一个神经网络将初始冲击映射到预测的资产清算中，第二个网络利用这些清算来推导出最终的均衡价格。这种数据驱动的方法可以捕捉线性和非线性形式，而无需预先指定分析结构；此外，它甚至可以在没有可观察到的清算数据的情况下有效地运作。对模拟数据集的实验表明，我们的模型可以准确地预测均衡资产价格，仅基于初始冲击，同时揭示了预测和真实清算之间的强烈一致性。我们的可解释框架有助于理解和建模价格传染病，并为金融当局构建有效的压力测试和监管政策提供有价值的见解。

内容中包含的图片若涉及版权问题，请及时与我们联系删除